Machine learning 教学神经网络异或函数
我想教授我的神经网络xor,共有3层: 1.具有2个神经元的输入层与具有2个神经元的下一个隐藏层完全连接 第三输出层,具有单个输出神经元。我将使用S形激活函数和梯度下降 我的问题是: 1.停止函数应该如何表述:我知道我们可以检查Itation的数量,或者检查错误是否小于某个可接受的错误,但是这个错误应该如何计算?公式是什么?输出层上计算的唯一错误?在一次教学过程中,一个样本?Machine learning 教学神经网络异或函数,machine-learning,neural-network,artificial-intelligence,Machine Learning,Neural Network,Artificial Intelligence,我想教授我的神经网络xor,共有3层: 1.具有2个神经元的输入层与具有2个神经元的下一个隐藏层完全连接 第三输出层,具有单个输出神经元。我将使用S形激活函数和梯度下降 我的问题是: 1.停止函数应该如何表述:我知道我们可以检查Itation的数量,或者检查错误是否小于某个可接受的错误,但是这个错误应该如何计算?公式是什么?输出层上计算的唯一错误?在一次教学过程中,一个样本? 2.偏差值是否可以小于1但大于0?一些描述告诉我们它应该始终为1,但另一些描述告诉我们它可以是这个范围内的随机数。这里是
2.偏差值是否可以小于1但大于0?一些描述告诉我们它应该始终为1,但另一些描述告诉我们它可以是这个范围内的随机数。这里是一个带有反向传播的单隐层网络,可以自定义它来运行relu、sigmoid和其他激活的实验。经过几次实验,得出结论:使用relu时,网络性能更好,收敛更快,而使用sigmoid时,损耗值波动。这是因为“” 最终结果: 训练后获得的重量为: nn.w1 nn.w2 我发现以下youtube系列对理解神经网络非常有帮助:
我所知道的和能在这个答案中解释的都很少。如果您想更好地理解神经网络,那么我建议您浏览以下链接:[cs231n:为一个神经元建模][4]成本函数是如何计算的?对于单一样本培训?只涉及输出神经元?
import numpy as np
import matplotlib.pyplot as plt
from operator import xor
class neuralNetwork():
def __init__(self):
# Define hyperparameters
self.noOfInputLayers = 2
self.noOfOutputLayers = 1
self.noOfHiddenLayerNeurons = 2
# Define weights
self.W1 = np.random.rand(self.noOfInputLayers,self.noOfHiddenLayerNeurons)
self.W2 = np.random.rand(self.noOfHiddenLayerNeurons,self.noOfOutputLayers)
def relu(self,z):
return np.maximum(0,z)
def sigmoid(self,z):
return 1/(1+np.exp(-z))
def forward (self,X):
self.z2 = np.dot(X,self.W1)
self.a2 = self.relu(self.z2)
self.z3 = np.dot(self.a2,self.W2)
yHat = self.relu(self.z3)
return yHat
def costFunction(self, X, y):
#Compute cost for given X,y, use weights already stored in class.
self.yHat = self.forward(X)
J = 0.5*sum((y-self.yHat)**2)
return J
def costFunctionPrime(self,X,y):
# Compute derivative with respect to W1 and W2
delta3 = np.multiply(-(y-self.yHat),self.sigmoid(self.z3))
djw2 = np.dot(self.a2.T, delta3)
delta2 = np.dot(delta3,self.W2.T)*self.sigmoid(self.z2)
djw1 = np.dot(X.T,delta2)
return djw1,djw2
if __name__ == "__main__":
EPOCHS = 6000
SCALAR = 0.01
nn= neuralNetwork()
COST_LIST = []
inputs = [ np.array([[0,0]]), np.array([[0,1]]), np.array([[1,0]]), np.array([[1,1]])]
for epoch in xrange(1,EPOCHS):
cost = 0
for i in inputs:
X = i #inputs
y = xor(X[0][0],X[0][1])
cost += nn.costFunction(X,y)[0]
djw1,djw2 = nn.costFunctionPrime(X,y)
nn.W1 = nn.W1 - SCALAR*djw1
nn.W2 = nn.W2 - SCALAR*djw2
COST_LIST.append(cost)
plt.plot(np.arange(1,EPOCHS),COST_LIST)
plt.ylim(0,1)
plt.xlabel('Epochs')
plt.ylabel('Loss')
plt.title(str('Epochs: '+str(EPOCHS)+', Scalar: '+str(SCALAR)))
plt.show()
inputs = [ np.array([[0,0]]), np.array([[0,1]]), np.array([[1,0]]), np.array([[1,1]])]
print "X\ty\ty_hat"
for inp in inputs:
print (inp[0][0],inp[0][1]),"\t",xor(inp[0][0],inp[0][1]),"\t",round(nn.forward(inp)[0][0],4)
X y y_hat
(0, 0) 0 0.0
(0, 1) 1 0.9997
(1, 0) 1 0.9997
(1, 1) 0 0.0005
[ [-0.81781753 0.71323677]
[ 0.48803631 -0.71286155] ]
[ [ 2.04849235]
[ 1.40170791] ]